Surmonter le défi des données

Il arrive souvent aux organisations de se perdre dans leurs données et de ne pas savoir comment progresser. Elles peuvent consacrer énormément de temps et d’argent à la recherche de la « bonne » plateforme d’analyse pour résoudre simultanément tous leurs problèmes opérationnels plutôt que d’ajouter de la valeur et de réaliser des gains rapides en réglant promptement un problème organisationnel précis.

Une autre approche relative aux programmes de données à grande échelle et pluriannuels consiste à adopter une perspective qui place les opérations au premier plan, puis à examiner comment les données peuvent être utiles. Par le passé, toutes les données étaient traitées de la même façon. Toutefois, toutes les données ne sont pas équivalentes : complexes, elles sont de valeur et de qualité diverses et connaissent une croissance constante.

Votre organisation observera plus rapidement la valeur de la transformation si elle énonce d’abord le problème, en formulant et en testant des suppositions, puis en remontant jusqu’à sa stratégie de données.

Commencer par de petits objectifs atteignables et se concentrer sur un problème opérationnel plutôt que sur la recherche de la bonne plateforme d’analyse de données peut ajouter énormément de valeur pour l’organisation et contribuer à façonner des objectifs à long terme. Lorsqu’une entreprise commence à adopter des outils d’analyse avancés qui s’appuient sur l’IA, il devient encore plus important de commencer à petite échelle et d’établir une crédibilité pour obtenir de la valeur.

Au sein des organisations, nous constatons que les services épuisent leur budget avant de franchir les dernières étapes, soit celles qui permettent d’obtenir de la valeur. Notre approche consiste à nous attaquer aux dernières étapes d’abord et à mettre en œuvre une stratégie qui vise une résolution graduelle des problèmes tout en progressant vers les plateformes avancées de technologie et d’analyse de données.

Apporter de petits changements progressivement permet de tester rapidement les hypothèses et les solutions. Un tel cadre de travail permet de réduire le coût de l’échec en échouant rapidement. L’approche itérative est importante pour être en mesure de mettre de côté les solutions tactiques au profit de solutions stratégiques.

Outre les données sous-optimales, les autres défis importants que doivent affronter les organisations comprennent le manque de personnel compétent pour assumer des rôles technologiques importants et une culture d’entreprise réfractaire au risque qui tarde à se lancer dans les changements et les perturbations numériques.

En plus de subir la pénurie mondiale de personnel, les organisations ont du mal à trouver les talents requis pour les projets de transformation de données puisqu’elles engagent encore de la même façon qu’il y a dix ans, même si le profil d’embauche a changé.

Un grand nombre d’organisations se tournent vers des experts en science des données pour administrer leurs programmes d’analyse, mais ces experts sont formés pour régler le problème de données, et non le problème opérationnel. Bien que les experts en science des données jouent un rôle important, ils doivent faire partie d’une équipe multidisciplinaire élargie plutôt que d’agir à titre de moteur central derrière un programme d’analyse.

Une autre approche consiste à rechercher des professionnels multidisciplinaires qui comprennent comment résoudre les problèmes opérationnels et possèdent des compétences en technologie. Par exemple, un actuaire peut comprendre les coûts financiers associés à des risques précis pour l’entreprise, mais un actuaire qui possède des compétences en technologie pourrait contribuer à l’ébauche d’une solution de données pour régler un problème opérationnel. Cette solution pourrait ensuite être acheminée à un spécialiste des technologies pour en consolider la structure.

S’il n’est pas toujours facile de trouver des professionnels multidisciplinaires, les organisations ont la possibilité de créer des ensembles de compétences à l’interne, ce qui peut favoriser la fidélisation des talents. Les candidats doivent être à l’aise en situation d’ambiguïté, et en mesure de résoudre des problèmes ou de concevoir des solutions au moyen d’une approche itérative.

Un milieu de travail agile accepte l’échec, c’est-à-dire qu’il permet d’échouer rapidement afin de réessayer et d’apporter des changements selon une approche itérative pour obtenir le résultat souhaité. Ainsi, les effectifs peuvent présenter leur travail aux autres, obtenir une rétroaction et s’adapter, mais ils doivent être à l’aise d’exposer des imperfections.

Un programme de données exige une approche hybride qui allie la méthodologie agile à la méthodologie en cascade. Un milieu agile peut contribuer à l’articulation du problème, à la découverte des données et à la conception de la solution. Par contre, il faut ensuite procéder à une série de tests, y compris un contrôle des tolérances, avant le lancement.

Cette approche hybride exige de travailler en petites équipes composées de membres qui possèdent des compétences multidisciplinaires et une excellente compréhension de la technologie et des opérations. Elle exige également de la structure, de la rigueur et de la gouvernance en matière de données, ainsi que du soutien en amont pour veiller à ce que les données correspondent à l’objectif souhaité.

Notre approche pour créer un changement culturel doit rester constante et ne pas se limiter à un simple coup d’envoi. Elle doit être adoptée au sein même des équipes. Nous avons observé que le fait de nommer un champion au sein de chaque équipe permet de remettre continuellement en question le statu quo.

Les données constituent le fondement des analyses. Une plateforme d’analyse fournit des renseignements qui proviennent de données, que ce soit pour une analyse simple, par exemple en vue d’aider les utilisateurs à visualiser leurs données, ou des applications d’IA complexes. Sans gouvernance, il est facile de mal comprendre les résultats des plateformes d’analyse et de prendre de mauvaises décisions. Un manque de gouvernance facilite l’introduction de tolérances dans les analyses.

Si les analyses sont destinées à remplacer les décisions intuitives par des décisions fondées sur des données, les décisions fondées sur de mauvaises données peuvent être encore plus néfastes puisqu’il est impossible de savoir si les données sont exactes ou teintées par des tolérances. La qualité des analyses repose sur celle des données sur lesquelles elles s’appuient. Les utilisateurs doivent comprendre pourquoi ils prennent une décision plutôt que de se borner à suivre ce qu’un outil leur a indiqué de faire. La gouvernance sur la façon dont les données sont interprétées au sein du moteur de données joue un rôle important par rapport aux résultats d’analyse. Elle comprend l’évaluation du contrôle des tolérances, l’auditabilité et la capacité d’expliquer à quelles fins sont utilisés les résultats et si l’analyse est appropriée par rapport à l’objectif.